Lebih daripada 13 kali lebih pantas daripada kerja manual, 'robot + AI' menemui elektrolit terbaik untuk bateri dan mempercepatkan penyelidikan bahan

Editor |. Ziluo

Model penyelidikan dan pembangunan bahan tradisional terutamanya bergantung pada kaedah percubaan "cubaan dan kesilapan" atau penemuan tidak sengaja, dan proses penyelidikan dan pembangunannya biasanya mengambil masa 10-20 tahun.

Kaedah dipacu data berdasarkan pembelajaran mesin (ML) boleh mempercepatkan reka bentuk bahan baharu untuk teknologi tenaga bersih. Walau bagaimanapun, aplikasi praktikalnya dalam penyelidikan bahan masih terhad kerana kekurangan pangkalan data eksperimen kesetiaan tinggi berskala besar.

Baru-baru ini, pasukan penyelidik Pacific Northwest National Laboratory dan Argonne National Laboratory di Amerika Syarikat telah mereka bentuk aliran kerja yang sangat automatik yang menggabungkan platform percubaan berkemampuan tinggi dengan algoritma pembelajaran aktif yang paling maju untuk menyaring anod dengan berkesan pelarut organik dengan keterlarutan optimum. Matlamat penyelidikan ini adalah untuk meningkatkan prestasi dan kestabilan sistem penyimpanan tenaga untuk menggalakkan penggunaan meluas tenaga boleh diperbaharui. Secara tradisinya, penyelidikan yang melibatkan anolit biasanya memerlukan banyak eksperimen percubaan dan kesilapan, yang memakan masa dan intensif buruh. Dan menggunakan aliran kerja automatik ini, penyelidik boleh menyaring lebih cepat daripada perduaan yang sesuai

Selain aliran kerja cekap yang direka untuk membangunkan bateri aliran redoks berprestasi tinggi, robot pemprosesan tinggi berpandukan pembelajaran mesin ini Platform menyediakan pendekatan yang berkuasa dan serba boleh untuk mempercepatkan penemuan bahan berfungsi.

Pengulas mengulas: "Kajian ini menunjukkan bahawa platform robotik dipandu AI boleh mencari kombinasi pelarut dan elektrolit yang tidak intuitif dalam aplikasi tenaga. Kerja ini mempunyai implikasi penting untuk komuniti bateri

Kajian ini bertajuk " "Platform robotik pemprosesan tinggi bersepadu dan pendekatan pembelajaran aktif untuk penemuan dipercepatkan formulasi elektrolit optimum" telah diterbitkan pada "Nature Communications" pada 29 Mac 2024.

Pautan kertas: https://www.nature.com/articles/s41467-024-47070-5

Untuk memastikan pembangunan aplikasi teknologi tenaga bersih dan merealisasikan penyahkarbonan elektrik yang mendalam adalah , reka bentuk Bahan dengan ciri fungsi yang disasarkan untuk alatan adalah penting untuk membangunkan aplikasi teknologi tenaga bersih dan mencapai penyahkarbonan elektrik yang mendalam. Kaedah percubaan dan kesilapan tradisional adalah mahal dan memakan masa, jadi sifat alat reka bentuk adalah mahal dan menjimatkan masa.

Keterlarutan molekul aktif redoks adalah faktor penting dalam menentukan ketumpatan tenaga bateri aliran redoks (RFB). Walau bagaimanapun, penemuan bahan elektrolit dihadkan oleh kekurangan set data keterlarutan eksperimen yang penting untuk mengeksploitasi pendekatan dipacu data.

Namun begitu, pembangunan molekul organik (ROM) aktif redoks yang sangat larut untuk RFB bukan akueus (NRFB) kekal sebagai tugas yang sukar kerana kekurangan penyeragaman sistem pelarut organik dan data keterlarutan eksperimen yang berkaitan dengan aplikasi.

Dengan menggunakan platform percubaan pemprosesan tinggi (HTE) automatik, kebolehpercayaan dan kecekapan kaedah pengukuran keterlarutan "solute berlebihan" boleh dipertingkatkan dan pangkalan data keterlarutan NRFB boleh dibina. Walau bagaimanapun, walaupun dengan sistem HTE, kepelbagaian campuran pelarut yang berpotensi menjadikan proses penyaringan lebih memakan masa dan mahal.

Pembelajaran aktif (AL), dan khususnya pengoptimuman Bayesian (BO), telah terbukti sebagai kaedah yang boleh dipercayai untuk mempercepatkan pencarian elektrolit yang diperlukan untuk aplikasi penyimpanan tenaga. Oleh itu, aliran kerja eksperimen gelung tertutup dipandu oleh BO boleh digunakan untuk meminimumkan pelaksanaan HTE.

Platform robotik percubaan high-throughput berpandukan ML

Di sini, penyelidik menggunakan 2,1,3-benzothiadiazole (BTZ), anolit berprestasi tinggi, dengan ketumpatan cas terdelokalisasi yang tinggi dan kestabilan kimia yang baik, sebagai model ROM. Tumpuan adalah untuk mengkaji keterlarutannya dalam pelbagai pelarut organik, menunjukkan potensi platform robotik eksperimen pemprosesan tinggi (HTE) berpandukan pembelajaran mesin untuk mempercepatkan penemuan elektrolit NRFB.

Ilustrasi: Gambarajah skematik proses penapisan elektrolit gelung tertutup berdasarkan platform percubaan pemprosesan tinggi berpandukan pembelajaran mesin (ML). (Sumber: Kertas)

Secara khusus, penyelidik mereka bentuk aliran kerja penapisan pelarut gelung tertutup yang terdiri daripada dua modul bersambung, HTE dan BO. Modul HTE melaksanakan penyediaan sampel dan pengukuran keterlarutan melalui platform robotik berdaya tinggi. Komponen BO terdiri daripada model pengganti dan fungsi pemerolehan, yang bersama-sama bertindak sebagai oracle, membuat ramalan keterlarutan dan mencadangkan pelarut baharu untuk penilaian.

Aliran kerja ditunjukkan dalam rajah di bawah, langkah-langkah khusus ialah:

• Pertama, sediakan larutan tepu ROM dan analisa sampel melalui platform HTE. Seterusnya, spektrum resonans magnetik nuklear (NMR) sampel ini telah diperoleh dan data spektrum digunakan untuk mengira keterlarutan ROM.
• dataset ini kemudiannya digunakan untuk melatih model pengganti yang digunakan untuk meramalkan keterlarutan sampel yang belum diuji dalam ruang carian sebagai sebahagian daripada proses BO.
• Fungsi pemerolehan kemudiannya digunakan dalam rangka kerja BO untuk membimbing pemilihan sampel baharu, membimbing penilaian berdasarkan keseimbangan nilai keterlarutan yang diramalkan dan ketidakpastian yang berkaitan (iaitu skor kecergasan), dengan itu memudahkan penemuan dan analisis potensi pelarut.

Lebih 13 kali lebih pantas daripada pemprosesan sampel manual

Platform automatik boleh menyediakan penyelesaian tepu dengan lebihan terlarut dan sampel resonans magnetik nuklear (qNMR) kuantitatif dengan campur tangan manual yang minimum.

Dengan aliran kerja HTE automatik, jumlah masa percubaan untuk melengkapkan pengukuran keterlarutan 42 sampel adalah lebih kurang 27 jam (~39 minit/sampel, kurang masa bagi setiap sampel apabila menjalankan lebih banyak sampel). Ini adalah lebih daripada 13 kali lebih cepat daripada memproses sampel secara manual menggunakan kaedah "solut berlebihan" (kira-kira 525 minit setiap sampel).

Selain peningkatan kelajuan yang disediakan oleh sistem HTE, penyelidikan juga memberi penekanan yang besar terhadap mengawal keadaan eksperimen, seperti suhu (20°C) dan masa penstabilan (8 jam), untuk memastikan pengukuran keterlarutan BTZ yang tepat dalam pelbagai pelarut organik.

Ilustrasi: Gambaran keseluruhan platform percubaan pemprosesan tinggi (HTE) automatik. (Sumber: Kertas)

Berdasarkan kajian literatur dan pertimbangan sifat pelarut, penyelidik menyenaraikan 22 pelarut calon berpotensi untuk BTZ. Tambahan 2079 pelarut binari kemudiannya dikira dengan menggabungkan 22 pelarut tunggal ini secara berpasangan, setiap satu dengan 9 pecahan isipadu yang berbeza.

Jadual: Senarai 22 calon pelarut organik dan sifat fizikal dan kimianya. (Sumber: Kertas)

Platform mengenal pasti berbilang pelarut daripada perpustakaan komprehensif yang mengandungi lebih 2000 pelarut berpotensi dengan ambang keterlarutan melebihi prototaip molekul aktif redoks 2,1,3-benzothiadiazole 6.20M. Terutama, strategi komprehensif memerlukan penilaian keterlarutan untuk kurang daripada 10% calon dadah, menonjolkan kecekapan pendekatan baharu.

Ilustrasi: Pengenalpastian elektrolit yang diperlukan melalui Bayesian Optimization (BO). (Sumber: Kertas)

Hasil penyelidikan juga menunjukkan bahawa campuran pelarut binari, terutamanya yang mengandungi 1,4-dioxane (1,4-dioxane), membantu meningkatkan keterlarutan BTZ.

Ringkasnya, kajian menunjukkan platform HTE berpandukan ML untuk saringan elektrolit, di mana ramalan ML dan eksperimen automatik bekerjasama untuk menyaring pelarut organik binari dengan berkesan dengan keterlarutan optimum untuk BTZ.

Penyelidikan ini bukan sahaja membantu menghubungkan bidang sains data dan sains eksperimen tradisional, tetapi juga meletakkan asas untuk pembangunan masa depan platform autonomi khusus untuk pemeriksaan elektrolit bateri.

Atas ialah kandungan terperinci Lebih daripada 13 kali lebih pantas daripada kerja manual, 'robot + AI' menemui elektrolit terbaik untuk bateri dan mempercepatkan penyelidikan bahan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!